[论文解读] Fast Convergence of Regress-Later Estimates in Least Squares Monte Carlo

Eric Beutner, Janina Schweizer+1 more|arXiv (Cornell University)|Sep 20, 2013

Monetary Policy and Economic Impact被引用 4

一句话总结

本文证明，在最小二乘蒙特卡洛方法中，Regress-Later 方法在估计条件期望时可实现快于 N⁻¹ 的收敛速度，而传统 Regress-Now 方法则不能。通过在时间区间末尾对终端值函数基于在该时刻可测的基函数进行回归，并利用精确的条件期望计算，该方法在非紧致定义域上也表现出更优的收敛速度，且通过显式例子展示了显著更快的收敛表现。

ABSTRACT

Many problems in financial engineering involve the estimation of unknown conditional expectations across a time interval. Often Least Squares Monte Carlo techniques are used for the estimation. One method that can be combined with Least Squares Monte Carlo is the "Regress-Later" method. Unlike conventional methods where the value function is regressed on a set of basis functions valued at the beginning of the interval, the "Regress-Later" method regresses the value function on a set of basis functions valued at the end of the interval. The conditional expectation across the interval is then computed exactly for each basis function. We provide sufficient conditions under which we derive the convergence rate of Regress-Later estimators. Importantly, our results hold on non-compact sets. We show that the Regress-Later method is capable of converging significantly faster than conventional methods and provide an explicit example. Achieving faster convergence speed provides a strong motivation for using Regress-Later methods in estimating conditional expectations across time.

研究动机与目标

• 建立 Regress-Later 估计器在最小二乘蒙特卡洛方法中实现快于传统方法的收敛速度的充分条件。
• 证明 Regress-Later 即使在非紧致集合上，其收敛速度也可快于 N⁻¹，而 Regress-Now 的理论上限为 N⁻¹。
• 阐明 Regress-Later 与 Regress-Now 之间在结构上的根本差异，特别是噪声方差行为与估计效率方面。
• 提供明确的解析条件及一个例子，其中 Regress-Later 的收敛速度显著快于 N⁻¹。
• 表明 Regress-Later 所需的正则性条件弱于 Regress-Now 中通常采用的标准非参数假设。

提出的方法

• 该方法采用一种非标准回归框架，将时间 T 的值函数在时间 T 可测的基函数上进行回归，从而实现条件期望的精确计算。
• 使用可使条件期望被解析计算的基函数，避免了 Regress-Now 中固有的近似误差。
• 在底层分布与待估计函数的矩和光滑性条件较弱的前提下，推导收敛速度。
• 通过利用泰勒展开近似与矩界控制四阶误差矩，从而获得收敛速度的上界。
• 该方法利用了 Regress-Later 中噪声方差趋于零的特性，从而实现快于 N⁻¹ 的收敛速度。
• 通过构造分段常数基函数与有界且二阶可微的函数，给出一个显式例子，表明在适当缩放下收敛速度为 O(1/K⁸)

实验结果

研究问题

• RQ1 Regress-Later 方法是否能在使用最小二乘蒙特卡洛估计条件期望时实现快于 N⁻¹ 的收敛速度？
• RQ2 Regress-Later 估计器在何种充分条件下可实现快于传统 Regress-Now 方法的收敛速度？
• RQ3 Regress-Later 中的噪声项结构与 Regress-Now 有何不同？这种差异如何影响收敛速度？
• RQ4 Regress-Later 的更快收敛是否可在非紧致定义域上严格建立？需要哪些假设？
• RQ5 基函数的性质——尤其是那些能实现条件期望精确计算的基函数——在加速收敛过程中起什么作用？

主要发现

• Regress-Later 估计器可实现快于 N⁻¹ 的收敛速度，而这是 Regress-Now 方法的理论上限。
• 本文证明，在较弱正则性条件下，示例中 Regress-Later 估计器的均方误差以 O(1/K⁸) 的速率衰减，其中 K 为基函数数量。
• 更快的收敛速度归因于 Regress-Later 中噪声方差趋于零，而 Regress-Now 中其保持有界。
• 该方法所需条件远弱于 Regress-Now 中通常采用的非参数假设，使其在实践中更具鲁棒性。
• 显式例子表明，当基函数与函数光滑性条件适当时，Regress-Later 的误差可衰减至 O(1/K⁸)，远快于 N⁻¹。
• 分析确认，Regress-Later 与 Regress-Now 在根本结构上存在差异，这源于回归误差结构及条件期望近似行为的不同。